乳腺疾病在女性疾病中居第一位,对乳腺疾病的有效检查对于医生和患者有着不可取代的作用。目前,超声检查是诊断乳腺肿瘤最常用的方法,但是对于较小肿瘤的良恶性识别较为困难,且由于医生的主观因素,容易漏诊和误诊,因此要实现对乳腺癌的诊断,需要丰富的临床经验。随着科学技术的发展,通过计算机技术对乳腺肿瘤进行辅助诊断已成为当前研究热点。本文针对乳腺肿瘤超声图像的特点,从图像预处理、分割、特征提取和选择、分类识别四个方面对乳腺肿瘤辅助诊断技术进行分析研究。由于超声图像存在的散斑噪声问题,提出一种乳腺肿瘤超声图像去噪的新方法:结合各向异性扩散模型,减少传统双边滤波的迭代次数;引入补偿函数和指数函数对加权核函数进行改进,控制傅里叶系数收缩速度。实验对比分析了小波变换、传统双边滤波以及改进后算法的去噪效果。结果表明,本文提出的改进双边滤波算法,在峰值信噪比、结构相似度以及运行时间上均优于其它两种算法。在图像分割过程中,针对传统分水岭算法的“过分割”问题,利用基于各向异性扩散的分水岭算法对图像进行分割。在预处理阶段,利用直方图均衡化增强图像对比度,并通过形态学进行预处理;在处理过程中,结合Otsu算法计算阈值,以区分前景和背景;在后处理阶段,通过灰度均值来进行区域合并。实验对比分析了Otsu、传统分水岭算法以及改进后算法的分割效果。结果表明,与其它两种分割算法相比,改进后的算法减少了“过分割”问题。针对乳腺肿瘤特征提取、优选以及分类过程中,特征维数造成的数据冗余问题,提出一种乳腺肿瘤超声图像分类识别的新方法:将待测样本比重引入到Relief-F算法的权重式中,并将改进后的算法与顺序前向浮动方法相结合,对提取的63个特征进行优选,建立特征数据库;利用K-means算法对优选特征进行组合,形成不同的特征向量,实现对乳腺肿瘤的分类。实验对比分析了BP神经网络、随机森林算法以及K-means算法对乳腺肿瘤的分类效果。结果表明,与其它两种分类算法相比,K-means算法分类准确率最高。